TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
Čo sme sa naučili z 5 miliónov kníh
Filmed:
Readability: 3.9
2,049,453 views
Hrali ste sa už s Ngram Viewer od Google Labs? Je to návykový nástroj, ktorý Vám umožňuje vyhľadávať slová a idei v databáze 5 miliónov kníh z rôznych storočí. Erez LIeberman Aiden a Jean-Baptiste Michel ukazujú, ako funguje, a tiež niekoľko z prekvapujúcich vecí, ktoré sa možno naučiť z 500 miliárd slov.
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Double-click the English transcript below to play the video.
00:15
Erez Lieberman Aiden: Everyone knows
0
0
2000
Erez Lieberman Aiden: Každý vie,
00:17
that a picture is worth a thousand words.
1
2000
3000
že obrázok je hoden tisíc slov.
00:22
But we at Harvard
2
7000
2000
Ale my na Harvarde
00:24
were wondering if this was really true.
3
9000
3000
sme sa zamysleli, či je to naozaj pravda.
00:27
(Laughter)
4
12000
2000
(Smiech)
00:29
So we assembled a team of experts,
5
14000
4000
Zhromaždili sme teda tím odborníkov
00:33
spanning Harvard, MIT,
6
18000
2000
z Harvardu, MIT,
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
The American Heritage Dictionary, Encyklopédie Britannica
00:38
and even our proud sponsors,
8
23000
2000
a aj od našich hrdých sponzorov
00:40
the Google.
9
25000
3000
z Googlu.
00:43
And we cogitated about this
10
28000
2000
A uvažovali sme o tom
00:45
for about four years.
11
30000
2000
asi štyri roky.
00:47
And we came to a startling conclusion.
12
32000
5000
A došli sme k prekvapujúcemu záveru.
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
Dámy a páni, obrázok nie je hoden tísíc slov.
00:55
In fact, we found some pictures
14
40000
2000
V skutočnosti sme našli obrázky
00:57
that are worth 500 billion words.
15
42000
5000
hodné 500 miliárd slov.
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
Jean-Baptiste Michel: Takže, ako sme dospeli k tomuto záveru?
01:04
So Erez and I were thinking about ways
17
49000
2000
Erez a ja sme premýšľali o cestách
01:06
to get a big picture of human culture
18
51000
2000
k získaniu celistvého obrazu o ľudskej kultúre
01:08
and human history: change over time.
19
53000
3000
a ľudskej histórii: ich zmenách v priebehu času.
01:11
So many books actually have been written over the years.
20
56000
2000
Tak veľa kníh bolo napísaných za všetky tie roky.
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
Takže sme si pomysleli: najlepší spôsob, ako sa z nich poučiť,
01:15
is to read all of these millions of books.
22
60000
2000
je prečítať všetky tieto milióny kníh.
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
Samozrejme, ak si predstavíme mieru úžasnosti niečoho takého,
01:20
that has to rank extremely, extremely high.
24
65000
3000
toto musí bodovať veľmi, veľmi vysoko.
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
Problém je, že k tomu prislúcha aj X-ová os -
01:25
which is the practical axis.
26
70000
2000
os praktičnosti.
01:27
This is very, very low.
27
72000
2000
Toto je veľmi, veľmi nízko.
01:29
(Applause)
28
74000
3000
(Potlesk)
01:32
Now people tend to use an alternative approach,
29
77000
3000
Ľudia zvyknú používať alternatívny prístup,
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
vyberú zopár prameňov a prečítajú ich veľmi pozorne.
01:37
This is extremely practical, but not so awesome.
31
82000
2000
Toto je veľmi praktické, ale nie až také úžasné.
01:39
What you really want to do
32
84000
3000
Čo naozaj chcete dosiahnuť,
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
je umiestniť sa do úžasnej, ešte však praktickej časti tohto priestoru.
01:45
So it turns out there was a company across the river called Google
34
90000
3000
Tak sa stalo, že kúsok cez rieku bola spoločnosť nazývaná Google,
01:48
who had started a digitization project a few years back
35
93000
2000
ktorá pred pár rokmi začala digitalizačný projekt,
01:50
that might just enable this approach.
36
95000
2000
ktorý by akurát mohol umožniť takýto prístup.
01:52
They have digitized millions of books.
37
97000
2000
Digitalizovali milióny kníh.
01:54
So what that means is, one could use computational methods
38
99000
3000
To znamená, že je možné použiť výpočtové metódy
01:57
to read all of the books in a click of a button.
39
102000
2000
na čítanie všetkých týchto kníh stlačením klávesy.
01:59
That's very practical and extremely awesome.
40
104000
3000
To je veľmi praktické a extrémne úžasné.
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA: Dovoľte mi rozpovedať vám o tom, odkiaľ knihy prichádzajú.
02:05
Since time immemorial, there have been authors.
42
110000
3000
Od nepamäti existovali spisovatelia.
02:08
These authors have been striving to write books.
43
113000
3000
Títo spisovatelia sa snažili písať kníhy.
02:11
And this became considerably easier
44
116000
2000
A to sa im významne zjednodušilo
02:13
with the development of the printing press some centuries ago.
45
118000
2000
s rozvojom kníhtlače pred niekoľkými storočiami.
02:15
Since then, the authors have won
46
120000
3000
Odvtedy sa spisovateľom podarilo,
02:18
on 129 million distinct occasions,
47
123000
2000
pri 129 miliónoch rôznych príležitostiach,
02:20
publishing books.
48
125000
2000
vydať knihu.
02:22
Now if those books are not lost to history,
49
127000
2000
Ak sa tieto knihy nestratili v prúde času,
02:24
then they are somewhere in a library,
50
129000
2000
potom sú niekde v nejakej knižnici,
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
a mnoho z týchto kníh bolo získaných z týchto knižníc
02:29
and digitized by Google,
52
134000
2000
a digitalizovaných v Google,
02:31
which has scanned 15 million books to date.
53
136000
2000
ktorý doteraz oskenoval 15 miliónov kníh.
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
Keď Google digitalizuje knihu, uložia ju do ozaj pekného formátu.
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
Máme dáta a navyše máme aj metadáta.
02:38
We have information about things like where was it published,
56
143000
3000
Máme informácie o veciach ako je miesto vydania,
02:41
who was the author, when was it published.
57
146000
2000
autor, obdobie vydania.
02:43
And what we do is go through all of those records
58
148000
3000
A naša činnosť potom spočíva v prehliadaní týchto záznamov
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
a vylúčení všetkého, okrem dát najvyššej kvality.
02:50
What we're left with
60
155000
2000
Čo nám zostane,
02:52
is a collection of five million books,
61
157000
3000
je súbor piatich miliónov kníh,
02:55
500 billion words,
62
160000
3000
500 miliárd slov,
02:58
a string of characters a thousand times longer
63
163000
2000
reťazec znakov tisíckrát dlhší
03:00
than the human genome --
64
165000
3000
než ľudský genóm --
03:03
a text which, when written out,
65
168000
2000
text, ktorý, ak by sme ho napísali,
03:05
would stretch from here to the Moon and back
66
170000
2000
by sa tiahol odtiaľ na Mesiac a späť
03:07
10 times over --
67
172000
2000
10 krát --
03:09
a veritable shard of our cultural genome.
68
174000
4000
ozajstný úlomok nášho kultúrneho genómu.
03:13
Of course what we did
69
178000
2000
Samozrejme, čo sme urobili,
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
čeliac takejto hroznej hyperbole ...
03:18
(Laughter)
71
183000
2000
(Smiech)
03:20
was what any self-respecting researchers
72
185000
3000
sme urobili to, čo
03:23
would have done.
73
188000
3000
by býval urobil každý výskumník so štipkou sebaúcty.
03:26
We took a page out of XKCD,
74
191000
2000
Vybrali sme stránku z XKCD,
03:28
and we said, "Stand back.
75
193000
2000
a riekli, "Ustúp.
03:30
We're going to try science."
76
195000
2000
Ideme vyskúšať vedu."
03:32
(Laughter)
77
197000
2000
(Smiech)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM: Samozrejme, uvažovali sme,
03:36
well let's just first put the data out there
79
201000
2000
skúsme my len najprv zverejniť dáta,
03:38
for people to do science to it.
80
203000
2000
pre ostatných nech si na tom robia vedu.
03:40
Now we're thinking, what data can we release?
81
205000
2000
A tak uvažujeme, ktoré dáta môžeme zverejniť?
03:42
Well of course, you want to take the books
82
207000
2000
Samozrejme, chcete vziať knihy
03:44
and release the full text of these five million books.
83
209000
2000
a vydať plný text týchto piatich miliónov kníh.
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
Google a osobitne Jon Orwant,
03:48
told us a little equation that we should learn.
85
213000
2000
nám ukázali malú rovnicu, ktorú sme sa museli naučiť.
03:50
So you have five million, that is, five million authors
86
215000
3000
Vezmite päť miliónov kníh, to znamená päť miliónov autorov
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
a päť miliónov žalobcov a máte masívny súdny proces.
03:56
So, although that would be really, really awesome,
88
221000
2000
Takže, aj keď by to bolo veľmi, veľmi úžasné,
03:58
again, that's extremely, extremely impractical.
89
223000
3000
opäť, extrémne, extrémne nepraktické.
04:01
(Laughter)
90
226000
2000
(Smiech)
04:03
Now again, we kind of caved in,
91
228000
2000
Opäť sme to svojim spôsobom vyriešili
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
a zvolili sme veľmi praktický prístup, ktorý bol o kúsok menej úžasný.
04:08
We said, well instead of releasing the full text,
93
233000
2000
Povedali sme si, namiesto zverejnenia plného textu
04:10
we're going to release statistics about the books.
94
235000
2000
zverejníme štatistické informácie o knihách.
04:12
So take for instance "A gleam of happiness."
95
237000
2000
Napríklad "A gleam of happiness" ("Záblesk šťastia").
04:14
It's four words; we call that a four-gram.
96
239000
2000
To sú štyri slová: nazývame to štyr-gram.
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
Povieme vám, koľkokrát sa určitý štyr-gram
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
objavuje v knihách v rokoch 1801, 1802, 1803,
04:20
all the way up to 2008.
99
245000
2000
až do roku 2008.
04:22
That gives us a time series
100
247000
2000
To nám dáva časovú závislosť
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
frekvencie použitia určitej vety v priebehu času.
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
Urobíme to pre všetky slová a frázy, ktoré sa objavujú v týchto knihách
04:29
and that gives us a big table of two billion lines
103
254000
3000
a to nám dáva veľkú tabuľku s dvoma miliardami riadkov,
04:32
that tell us about the way culture has been changing.
104
257000
2000
ktorá nám hovorí a cestách kultúrnych zmien.
04:34
ELA: So those two billion lines,
105
259000
2000
ELA: Teda tie dve miliardy riadkov,
04:36
we call them two billion n-grams.
106
261000
2000
nazývame ich dve miliardy n-gramov.
04:38
What do they tell us?
107
263000
2000
Čo nám hovoria?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
Individuálne n-gramy sú mierou kultúrnych trendov.
04:42
Let me give you an example.
109
267000
2000
Dovoľte mi uviesť vám jeden príklad.
04:44
Let's suppose that I am thriving,
110
269000
2000
Predpokladajme, že je mi skvele,
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
a potom zajtra vám chcem povedať, ako dobre mi bolo.
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
A teda by som mohol povedať "Včera som si voľkal."
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
Alternatívne by som mohol povedať "Včara som sa tešil."
04:54
Well which one should I use?
114
279000
3000
Ktorý z nich by som mal použiť?
04:57
How to know?
115
282000
2000
Ako sa rozhodnúť?
04:59
As of about six months ago,
116
284000
2000
Už približne šesť mesiacov
05:01
the state of the art in this field
117
286000
2000
špičkový prístup v tejto oblasti
05:03
is that you would, for instance,
118
288000
2000
je, že by ste, napríklad,
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
navštívili nasledujúceho psychológa s úžasným účesom,
05:07
and you'd say,
120
292000
2000
a riekli by ste,
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
"Steve, vy ste expert na nepravidelné slovesá.
05:12
What should I do?"
122
297000
2000
Čo by som mal robiť?"
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
A on by vám povedal, "Väčšina ľudí hovorí tešiť sa,
05:16
but some people say throve."
124
301000
3000
ale niektorí ľudia hovoria voľkať si."
05:19
And you also knew, more or less,
125
304000
2000
A tiež ste vedeli, viac-menej,
05:21
that if you were to go back in time 200 years
126
306000
3000
že, ak by ste sa presunuli späť v čase o 200 rokov
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
a opýtali sa nasledujúceho štátnika s rovnako úžasným účesom:
05:27
(Laughter)
128
312000
3000
(Smiech)
05:30
"Tom, what should I say?"
129
315000
2000
"Tom, čo by som mal povedať?"
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
On by odpovedal, "Za mojich čias, väčšina ľudí používala voľkať si,
05:34
but some thrived."
131
319000
3000
no niektorí používali tešiť sa."
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
Takže to, čo vám teraz ukážem sú iba holé dáta.
05:39
Two rows from this table of two billion entries.
133
324000
4000
Dva riadky z tabuľky s dvoma miliardami záznamov.
05:43
What you're seeing is year by year frequency
134
328000
2000
To, čo vidíte je frekvencia výskytu, rok za rokom,
05:45
of "thrived" and "throve" over time.
135
330000
3000
"tešiť sa" a "voľkať si" v priebehu času.
05:49
Now this is just two
136
334000
2000
Toto sú iba dva
05:51
out of two billion rows.
137
336000
3000
z dvoch miliárd riadkov.
05:54
So the entire data set
138
339000
2000
Takže, celý set dát
05:56
is a billion times more awesome than this slide.
139
341000
3000
je miliardukrát úžasnejší než tento obrázok.
05:59
(Laughter)
140
344000
2000
(Smiech)
06:01
(Applause)
141
346000
4000
(Potlesk)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM: Je mnoho ďalších obrázkov, ktoré sú hodné 500 miliárd slov.
06:07
For instance, this one.
143
352000
2000
Napríklad tento.
06:09
If you just take influenza,
144
354000
2000
Ak vezmete slovo influenza,
06:11
you will see peaks at the time where you knew
145
356000
2000
spozorujete zvýšený výskyt v časoch, o ktorých je známe,
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
že chrípkové epidémie práve zabíjali ľudí po svete.
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA: Ak ešte nie ste presvedčení,
06:19
sea levels are rising,
148
364000
2000
hladiny morí stúpajú,
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
rovnako aj atmosférický CO2 a globálna teplota.
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM: Mohol by vás zaujímať aj tento partikulárny n-gram,
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
ktorý Nietzschemu hovorí, že Boh nie je mŕtvy,
06:30
although you might agree that he might need a better publicist.
152
375000
3000
aj keď by ste mohli súhlasiť, že by sa mu hodil lepší PR manažér.
06:33
(Laughter)
153
378000
2000
(Smiech)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA: S touto vecičkou môžete dospieť k pekne abstraktným konceptom.
06:38
For instance, let me tell you the history
155
383000
2000
Napríklad, dovoľte mi rozpovedať vám históriu
06:40
of the year 1950.
156
385000
2000
roku 1950.
06:42
Pretty much for the vast majority of history,
157
387000
2000
Podstatnú väčšinu dejín,
06:44
no one gave a damn about 1950.
158
389000
2000
nikto na rok 1950 ani nekýchol
06:46
In 1700, in 1800, in 1900,
159
391000
2000
v rokoch 1700, 1800, 1900,
06:48
no one cared.
160
393000
3000
nik sa nezaujímal.
06:52
Through the 30s and 40s,
161
397000
2000
V priebehu 30-tych a 40-tych,
06:54
no one cared.
162
399000
2000
sa nik nezaujímal.
06:56
Suddenly, in the mid-40s,
163
401000
2000
Zrazu, v polovici 40-tych
06:58
there started to be a buzz.
164
403000
2000
nastal šum.
07:00
People realized that 1950 was going to happen,
165
405000
2000
Ľudia si uvedomili, že rok 1950 prichádza
07:02
and it could be big.
166
407000
2000
a mohol by byť veľkolepý.
07:04
(Laughter)
167
409000
3000
(Smiech)
07:07
But nothing got people interested in 1950
168
412000
3000
Avšak nič ľudí nezaujalo počas roku 1950,
07:10
like the year 1950.
169
415000
3000
tak, ako rok 1950.
07:13
(Laughter)
170
418000
3000
(Smiech)
07:16
People were walking around obsessed.
171
421000
2000
Ľudia chodili ako posadnutí.
07:18
They couldn't stop talking
172
423000
2000
Nemohli prestať hovoriť
07:20
about all the things they did in 1950,
173
425000
3000
o všetkom, čo robili počas roku 1950,
07:23
all the things they were planning to do in 1950,
174
428000
3000
všetkom, čo plánovali robiť v roku 1950,
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
všetkých snoch, ktoré si chceli splniť v roku 1950.
07:31
In fact, 1950 was so fascinating
176
436000
2000
Fakticky, rok 1950 bol taký fascinujúci,
07:33
that for years thereafter,
177
438000
2000
že celé roky potom
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
ľudia jednoducho ďalej hovorili o všetkých úžasných veciach, ktoré sa udiali.
07:38
in '51, '52, '53.
179
443000
2000
v rokoch 51, 52, 53.
07:40
Finally in 1954,
180
445000
2000
Konečne, v roku 1954
07:42
someone woke up and realized
181
447000
2000
sa ktosi prebral a nahliadol,
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
že rok 1950 je akosi passé.
07:48
(Laughter)
183
453000
2000
(Smiech)
07:50
And just like that, the bubble burst.
184
455000
2000
A takto bublina spľasla.
07:52
(Laughter)
185
457000
2000
(Smiech)
07:54
And the story of 1950
186
459000
2000
A príbeh roku 1950,
07:56
is the story of every year that we have on record,
187
461000
2000
je príbehom každého roku, o ktorom máme záznamy.
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
s malým háčikom, pretože teraz máme tieto pekné tabuľky.
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
A pretože máme tieto pekné tabuľky, môžeme veci merať.
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
Môžeme sa opýtať: "Hm, ako rýchlo bublina spľasne?"
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
A ukazuje sa, že to môžeme merať veľmi presne.
08:09
Equations were derived, graphs were produced,
192
474000
3000
Rovnice boli odvodené, grafy vytvorené,
08:12
and the net result
193
477000
2000
a výsledok je,
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
že bubliny spľasnú rýchlejšie a rýchlejšie
08:17
with each passing year.
195
482000
2000
každým odchádzajúcim rokom.
08:19
We are losing interest in the past more rapidly.
196
484000
5000
Záujem o minulosť strácame rýchlejšie.
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM: Teraz malá rada ku kariérnemu rastu.
08:26
So for those of you who seek to be famous,
198
491000
2000
Takže pre tých z vás, ktorí chcú byť slávni,
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
sa môžeme poučiť od 25 najznámejších politikov,
08:30
authors, actors and so on.
200
495000
2000
spisovateľov, hercov a tak ďalej.
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
Takže ak sa chcete stať slávnym čo najskôr, mali by ste byť hercom,
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
pretože potom vaša sláva začne rásť ešte pred tridsiatkou --
08:37
you're still young, it's really great.
203
502000
2000
ste ešte mladý, je to ozaj super.
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
Ak môžete chvíľu počkať, staňte sa spisovateľom,
08:41
because then you rise to very great heights,
205
506000
2000
pretože potom môžete dosiahnuť k výšinám,
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
ako Mark Twain, napríklad: extrémne slávny.
08:45
But if you want to reach the very top,
207
510000
2000
Ale ak chcete naozaj na vrchol,
08:47
you should delay gratification
208
512000
2000
mali by ste odložiť príjemnosti
08:49
and, of course, become a politician.
209
514000
2000
a samozrejme, stať sa politikom.
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
Takže tu sa stávate slávnym pred vašou šesťdesiatkou,
08:53
and become very, very famous afterward.
211
518000
2000
a následne sa stávate veľmi, veľmi slávnym.
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
Vedci sa k sláve dostávajú ako omnoho starší.
08:58
Like for instance, biologists and physics
213
523000
2000
Tak napríklad, biológovia a fyzici
09:00
tend to be almost as famous as actors.
214
525000
2000
sú takmer takí slávni ako herci.
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
Chyby, ktorej by ste sa mali vyvarovať je stať sa matematikom.
09:05
(Laughter)
216
530000
2000
(Smiech)
09:07
If you do that,
217
532000
2000
Ak to urobíte,
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
môžete si myslieť: "Ó, skvelé, do tridsiatky urobím svoju najlepšiu prácu."
09:12
But guess what, nobody will really care.
219
537000
2000
Ale hádajte čo? Nikoho to nebude naozaj zaujímať.
09:14
(Laughter)
220
539000
3000
(Smiech)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA: N-gramy prinášajú
09:19
among the n-grams.
222
544000
2000
ešte viac vytriezvujúcich poznatkov.
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
Napríklad tu je trajektória Marca Chagalla,
09:23
an artist born in 1887.
224
548000
2000
umelca narodeného v roku 1887.
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
A toto vyzerá ako normálna trajektória slávnej osoby.
09:28
He gets more and more and more famous,
226
553000
4000
Stáva sa slávnejším a slávnejším,
09:32
except if you look in German.
227
557000
2000
s výnimkou, ak hľadáte v nemčine.
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
Ak hľadáte v nemčine, uvidíte niečo úplne zvláštne,
09:36
something you pretty much never see,
229
561000
2000
niečo, čo sa takmer nikdy neobjaví,
09:38
which is he becomes extremely famous
230
563000
2000
teda, že sa stáva extrémne slávnym
09:40
and then all of a sudden plummets,
231
565000
2000
a potom z ničoho nič zmizne,
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
prechádzajúc úplným minimom medzi rokmi 1933 a 1945,
09:45
before rebounding afterward.
233
570000
3000
a následne opätovne narastajúc.
09:48
And of course, what we're seeing
234
573000
2000
Samozrejme, to, čo vidíme,
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
je skutočnosť, že Marc Chagall bol židovským umelcom
09:53
in Nazi Germany.
236
578000
2000
v nacistickom Nemecku.
09:55
Now these signals
237
580000
2000
Tieto signály
09:57
are actually so strong
238
582000
2000
sú v skutočnosti také silné,
09:59
that we don't need to know that someone was censored.
239
584000
3000
že nepotrebujeme vedieť, či bol niekto cenzúrovaný.
10:02
We can actually figure it out
240
587000
2000
Môžeme na to jednoducho prísť
10:04
using really basic signal processing.
241
589000
2000
použitím naozaj základného spracovania signálov.
10:06
Here's a simple way to do it.
242
591000
2000
Tu je jednoduchý spôsob, ako to urobiť.
10:08
Well, a reasonable expectation
243
593000
2000
Je rozumné predpokladať,
10:10
is that somebody's fame in a given period of time
244
595000
2000
že sláva danej osoby počas istého časového úseku,
10:12
should be roughly the average of their fame before
245
597000
2000
by mala byť približne priemerom jej slávy pred
10:14
and their fame after.
246
599000
2000
a slávy po ňom.
10:16
So that's sort of what we expect.
247
601000
2000
Takže očakávame takéto niečo.
10:18
And we compare that to the fame that we observe.
248
603000
3000
A porovnáme to so slávou, ktorú pozorujeme.
10:21
And we just divide one by the other
249
606000
2000
A jednoducho vydelíme jednu druhou,
10:23
to produce something we call a suppression index.
250
608000
2000
aby sme dostali niečo, čo nazývame index supresie.
10:25
If the suppression index is very, very, very small,
251
610000
3000
Ak je index supresie veľmi, veľmi, veľmi malý,
10:28
then you very well might be being suppressed.
252
613000
2000
potom je dosť možné, že ste potláčaný.
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
Ak je veľmi veľký, je možné, že si pomáhate propagandou.
10:34
JM: Now you can actually look at
254
619000
2000
JM: Vskutku sa môžete pozrieť na
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
distribúciu indexov supresie cez celé populácie.
10:39
So for instance, here --
256
624000
2000
Napríklad, tu --
10:41
this suppression index is for 5,000 people
257
626000
2000
tento index supresie je vyrátaný pre 5000 ľudí
10:43
picked in English books where there's no known suppression --
258
628000
2000
vybraných v anglických knihách. Kde nie je žiadna supresia --
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
vyzeralo by to takto, tesne centrované okolo jednotky.
10:47
What you expect is basically what you observe.
260
632000
2000
Čo očakávate, je, v podstate, to, čo pozorujete.
10:49
This is distribution as seen in Germany --
261
634000
2000
Toto je distribúcia pozorovaná v Nemecku --
10:51
very different, it's shifted to the left.
262
636000
2000
veľmi rozdielna, je posunutá doľava.
10:53
People talked about it twice less as it should have been.
263
638000
3000
Ľudia o tom hovorili asi dvakrát menej ako by sa dalo očakávať,
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
ale čo je ešte dôležitejšie, distribúcia je oveľa širšia.
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
Je mnoho ľudí, ktorý skončia na ľavom konci tejto distribúcie,
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
o ktorých sa hovorí asi 10 ráz menej, než by sa malo.
11:04
But then also many people on the far right
267
649000
2000
Ale tiež mnoho ľudí na pravom konci,
11:06
who seem to benefit from propaganda.
268
651000
2000
ktorým, zdá sa, pomáha propaganda.
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
Tento obrázok predstavuje etalón cenzorstva v knižných záznamoch.
11:11
ELA: So culturomics
270
656000
2000
ELA: Takže kulturonómia
11:13
is what we call this method.
271
658000
2000
je termín, ktorý používame pre túto metódu.
11:15
It's kind of like genomics.
272
660000
2000
Je podobná genomike.
11:17
Except genomics is a lens on biology
273
662000
2000
Zatiaľ, čo genomika je objektívom biológie
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
cez okno sekvencie ľudského genómu,
11:22
Culturomics is similar.
275
667000
2000
kulturonómia je podobná.
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
Je to aplikácia analýzy dát masívneho rozsahu
11:27
to the study of human culture.
277
672000
2000
pre štúdium ľudskej kultúry.
11:29
Here, instead of through the lens of a genome,
278
674000
2000
Tu je genóm nahradený
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
objektívom digitalizovaných historických záznamov.
11:34
The great thing about culturomics
280
679000
2000
Skvelé na kulturonómii
11:36
is that everyone can do it.
281
681000
2000
je, že ju môže robiť každý.
11:38
Why can everyone do it?
282
683000
2000
Prečo každý?
11:40
Everyone can do it because three guys,
283
685000
2000
Môže ju robiť ktokoľvek, pretože traja chlapíci,
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
Jon Orwant, Matt Gray a Will Brockman z Google
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
sa pozreli na prototyp Ngram Viewer
11:47
and they said, "This is so fun.
286
692000
2000
a povedali si, "Toto je taká zábava,
11:49
We have to make this available for people."
287
694000
3000
musíme ju sprístupniť ľuďom!"
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
Takže za dva týždne - dva týždne pred vydaním nášho článku -
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
naprogramovali verziu Ngram Viewer-u pre verejnosť.
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
Takže teraz môžete vpísať akékoľvek slovo alebo frázu, ktorá vás zaujíma
12:00
and see its n-gram immediately --
291
705000
2000
a okamžite vidieť príslušný N-gram,
12:02
also browse examples of all the various books
292
707000
2000
a tiež prezerať príklady všetkých rôznych kníh,
12:04
in which your n-gram appears.
293
709000
2000
v ktorých sa objavuje váš N-gram.
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM: Aplikácia bola použitá viac ako miliónkrát počas prvého dňa,
12:08
and this is really the best of all the queries.
295
713000
2000
a toto je naozaj najlepší zo všetkých dotazov.
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
Takže ľudia sa snažia robiť všetko najlepšie ("their best") v službách pokroku.
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
Ale ukazuje sa, že v 18-tom storočí, sa o to nestarali vôbec.
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
Nechceli robiť "their best", robili "their beft".
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
Čo sa stalo, je, samozrejme, iba chyba.
12:22
It's not that strove for mediocrity,
300
727000
2000
Nebola to snaha po priemernosti,
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
išlo len o to, že "s" sa písalo odlišne, podobne ako "f."
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
Samozrejme, Google o tom vtedy ešte nevedel,
12:30
so we reported this in the science article that we wrote.
303
735000
3000
takže sme to reportovali v našom odbornom článku.
12:33
But it turns out this is just a reminder
304
738000
2000
Ale to je iba pripomienka,
12:35
that, although this is a lot of fun,
305
740000
2000
že aj keď je toto veľká zábava,
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
pri interpretácii grafov musíte byť veľmi opatrní
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
a používať základné vedecké pravidlá.
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA: Ľudia to používajú na všetky možné srandovné účely.
12:45
(Laughter)
309
750000
7000
(Smiech)
12:52
Actually, we're not going to have to talk,
310
757000
2000
Vskutku, nemusíme ani rozprávať,
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
iba vám mlčky ukážeme všetky zostávajúce obrázky
12:57
This person was interested in the history of frustration.
312
762000
3000
Túto osobu zaujímala história frustrácie.
13:00
There's various types of frustration.
313
765000
3000
Existujú rôzne druhy frustrácie.
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
Ak si prepichnete prst je to "argh" (ach) s jedným "a"
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
Ak je planéta Zem anihilovaná Vogónmi
13:08
to make room for an interstellar bypass,
316
773000
2000
za účelom uvoľnenia priestoru pre vesmírnu diaľnicu,
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
je to "aaaaaaaargh" o ôsmich "a."
13:12
This person studies all the "arghs,"
318
777000
2000
Táto osoba skúmala všetky "argh",
13:14
from one through eight A's.
319
779000
2000
s jedným až ôsmimi "a"
13:16
And it turns out
320
781000
2000
A ukazuje sa
13:18
that the less-frequent "arghs"
321
783000
2000
že menej frekventované "arghs"
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
sú, samozrejme, tie, ktoré zodpovedajú veciam, ktoré sú frustrujúcejšie --
13:23
except, oddly, in the early 80s.
323
788000
3000
s výnimkou, prekvapujúco, začiatku 80-tych.
13:26
We think that might have something to do with Reagan.
324
791000
2000
Myslíme, že by to mohlo mať dočinenia s Reaganom.
13:28
(Laughter)
325
793000
2000
(Smiech)
13:30
JM: There are many usages of this data,
326
795000
3000
JM: Je veľa použití pre tieto dáta,
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
ale najpodstatnejšie je, že historické záznamy sú digitalizované.
13:36
Google has started to digitize 15 million books.
328
801000
2000
Google začal s digitalizáciou 15 miliónov kníh.
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
To je 12 percent všetkých kníh, ktoré kedy boli vydané.
13:40
It's a sizable chunk of human culture.
330
805000
3000
To predstavuje veľkú časť ľudskej kultúry.
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
Kultúra je oveľa širšia: spadajú tam rukopisy, noviny,
13:46
there's things that are not text, like art and paintings.
332
811000
2000
patria tam veci, ktoré nie sú textom, ako výtvarné umenie a maľby.
13:48
These all happen to be on our computers,
333
813000
2000
Toto všetko bude na našich počítačoch,
13:50
on computers across the world.
334
815000
2000
na počítačoch po celom svete.
13:52
And when that happens, that will transform the way we have
335
817000
3000
Až sa toto stane, transformuje to náš prístup
13:55
to understand our past, our present and human culture.
336
820000
2000
k porozumeniu našej minulosti, prítomnosti a ľudstvu.
13:57
Thank you very much.
337
822000
2000
Ďakujeme veľmi pekne.
13:59
(Applause)
338
824000
3000
(Potlesk)
ABOUT THE SPEAKERS
Jean-Baptiste Michel - Data researcherJean-Baptiste Michel looks at how we can use large volumes of data to better understand our world.
Why you should listen
Jean-Baptiste Michel holds joint academic appointments at Harvard (FQEB Fellow) and Google (Visiting Faculty). His research focusses on using large volumes of data as tools that help better understand the world around us -- from the way diseases progress in patients over years, to the way cultures change in human societies over centuries. With his colleague Erez Lieberman Aiden, Jean-Baptiste is a Founding Director of Harvard's Cultural Observatory, where their research team pioneers the use of quantitative methods for the study of human culture, language and history. His research was featured on the covers of Science and Nature, on the front pages of the New York Times and the Boston Globe, in The Economist, Wired and many other venues. The online tool he helped create -- ngrams.googlelabs.com -- was used millions of times to browse cultural trends. Jean-Baptiste is an Engineer from Ecole Polytechnique (Paris), and holds an MS in Applied Mathematics and a PhD in Systems Biology from Harvard.
Jean-Baptiste Michel | Speaker | TED.com
Erez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ...
Why you should listen
Erez Lieberman Aiden is a fellow at the Harvard Society of Fellows and Visiting Faculty at Google. His research spans many disciplines and has won numerous awards, including recognition for one of the top 20 "Biotech Breakthroughs that will Change Medicine", by Popular Mechanics; the Lemelson-MIT prize for the best student inventor at MIT; the American Physical Society's Award for the Best Doctoral Dissertation in Biological Physics; and membership in Technology Review's 2009 TR35, recognizing the top 35 innovators under 35. His last three papers -- two with JB Michel -- have all appeared on the cover of Nature and Science.
Erez Lieberman Aiden | Speaker | TED.com